การจำแนกประเภทในการขุดข้อมูลอธิบาย: ประเภทตัวแยกประเภท & แอปพลิเคชัน [2022]

การทำเหมืองข้อมูลเป็นส่วนที่สำคัญที่สุดอย่างหนึ่งของวิทยาศาสตร์ข้อมูล ช่วยให้คุณได้รับข้อมูลที่จำเป็นและสร้างข้อมูลเชิงลึกที่นำไปใช้ได้จริงเพื่อดำเนินการตามกระบวนการวิเคราะห์

ในคอลัมน์ต่อไปนี้ เราจะพูดถึงการจำแนกประเภทของระบบการทำเหมืองข้อมูลและหารือเกี่ยวกับเทคนิคการจำแนกประเภทต่างๆ ที่ใช้ในกระบวนการ คุณจะได้เรียนรู้ว่ามีการใช้สิ่งเหล่านี้อย่างไรในบริบทของปัจจุบัน และวิธีที่คุณสามารถเป็นผู้เชี่ยวชาญในสาขานี้

การทำเหมืองข้อมูลคืออะไร?

การขุดข้อมูลหมายถึงการขุดหรือขุดข้อมูลด้วยวิธีต่างๆ เพื่อระบุรูปแบบและรับข้อมูลเชิงลึกเพิ่มเติม เกี่ยวข้องกับการวิเคราะห์รูปแบบที่ค้นพบเพื่อดูว่าจะนำไปใช้อย่างมีประสิทธิภาพได้อย่างไร

ในการทำเหมืองข้อมูล คุณจัดเรียงชุดข้อมูลขนาดใหญ่ ค้นหารูปแบบที่จำเป็น และสร้างความสัมพันธ์เพื่อดำเนินการวิเคราะห์ข้อมูล เป็นหนึ่งในขั้นตอนสำคัญในการวิเคราะห์ข้อมูล และหากไม่มี คุณจะไม่สามารถดำเนินการตามกระบวนการวิเคราะห์ข้อมูลให้เสร็จสิ้นได้

การทำเหมืองข้อมูลเป็นหนึ่งในขั้นตอนเริ่มต้นในกระบวนการวิเคราะห์ข้อมูลใดๆ ดังนั้นการทำเหมืองข้อมูลอย่างถูกต้องจึงเป็นสิ่งสำคัญ

การจำแนกประเภทในการทำเหมืองข้อมูลคืออะไร?

การจำแนกประเภทในการทำเหมืองข้อมูลเป็นเทคนิคทั่วไปที่แยกจุดข้อมูลออกเป็นคลาสต่างๆ ช่วยให้คุณสามารถจัดระเบียบชุดข้อมูลได้ทุกประเภท รวมทั้งชุดข้อมูลที่ซับซ้อนและขนาดใหญ่ ตลอดจนชุดข้อมูลขนาดเล็กและเรียบง่าย

โดยหลักแล้วเกี่ยวข้องกับการใช้อัลกอริธึมที่คุณปรับเปลี่ยนได้ง่ายเพื่อปรับปรุงคุณภาพข้อมูล นี่เป็นเหตุผลใหญ่ว่าทำไมการเรียนรู้ภายใต้การดูแลจึงเป็นเรื่องปกติโดยเฉพาะอย่างยิ่งกับการจัดหมวดหมู่ในเทคนิคในการทำเหมืองข้อมูล เป้าหมายหลักของการจำแนกประเภทคือการเชื่อมต่อตัวแปรที่สนใจกับตัวแปรที่ต้องการ ตัวแปรที่น่าสนใจควรเป็นประเภทเชิงคุณภาพ

อัลกอริทึมสร้างการเชื่อมโยงระหว่างตัวแปรสำหรับการทำนาย อัลกอริทึมที่คุณใช้สำหรับการจัดประเภทในการขุดข้อมูลเรียกว่าตัวแยกประเภท และการสังเกตที่คุณทำผ่านสิ่งเดียวกันจะเรียกว่าอินสแตนซ์ คุณใช้เทคนิคการจำแนกประเภทในการทำเหมืองข้อมูลเมื่อคุณต้องทำงานกับตัวแปรเชิงคุณภาพ

อัลกอริธึมการจำแนกประเภทมีหลายประเภท แต่ละประเภทมีฟังก์ชันและแอปพลิเคชันที่เป็นเอกลักษณ์ อัลกอริทึมเหล่านี้ทั้งหมดใช้เพื่อดึงข้อมูลจากชุดข้อมูล แอปพลิเคชันที่คุณใช้สำหรับงานเฉพาะขึ้นอยู่กับเป้าหมายของงานและประเภทของข้อมูลที่คุณต้องการแยก

ประเภทของเทคนิคการจำแนกประเภทในการทำเหมืองข้อมูล

ก่อนที่เราจะพูดถึงอัลกอริธึมการจำแนกประเภทต่างๆ ในการทำเหมืองข้อมูล มาดูประเภทของเทคนิคการจำแนกประเภทที่มีอยู่ก่อน ในขั้นต้น เราสามารถแบ่งอัลกอริธึมการจำแนกออกเป็นสองประเภท:

1. กำเนิด
2. เลือกปฏิบัติ

นี่คือคำอธิบายสั้น ๆ ของสองหมวดหมู่นี้:

กำเนิด

อัลกอริธึมการจำแนกประเภทกำเนิดจำลองการกระจายของแต่ละคลาส พยายามเรียนรู้แบบจำลองที่สร้างข้อมูลผ่านการประมาณการแจกแจงและสมมติฐานของแบบจำลอง คุณสามารถใช้อัลกอริทึมกำเนิดเพื่อทำนายข้อมูลที่มองไม่เห็น

อัลกอริธึมกำเนิดที่โดดเด่นคือ Naive Bayes Classifier

เลือกปฏิบัติ

เป็นอัลกอริทึมการจำแนกประเภทพื้นฐานที่กำหนดคลาสสำหรับแถวข้อมูล มันจำลองโดยใช้ข้อมูลที่สังเกตได้และขึ้นอยู่กับคุณภาพของข้อมูลแทนการแจกแจง

การถดถอยโลจิสติกเป็นตัวจำแนกประเภทที่ยอดเยี่ยม

ตัวแยกประเภทในการเรียนรู้ของเครื่อง

การจัดประเภทเป็นที่นิยมอย่างสูงในการทำเหมืองข้อมูล ด้วยเหตุนี้ แมชชีนเลิร์นนิงจึงมีตัวแยกประเภทดังนี้

1. การถดถอยโลจิสติก
2. การถดถอยเชิงเส้น
3. ต้นไม้แห่งการตัดสินใจ
4. ป่าสุ่ม
5. Naive Bayes
6. รองรับ Vector Machines
7. K-เพื่อนบ้านที่ใกล้ที่สุด

1. การถดถอยโลจิสติก

การถดถอยโลจิสติกช่วยให้คุณจำลองความน่าจะเป็นของเหตุการณ์หรือคลาสใดเหตุการณ์หนึ่ง ใช้ลอจิสติกในการสร้างแบบจำลองตัวแปรตามไบนารี มันให้ความน่าจะเป็นของการทดลองใช้ครั้งเดียว เนื่องจากการถดถอยโลจิสติกถูกสร้างขึ้นสำหรับการจำแนกประเภทและช่วยให้คุณเข้าใจผลกระทบของตัวแปรอิสระหลายตัวต่อตัวแปรผลลัพธ์เดียว

ปัญหาของการถดถอยโลจิสติกคือมันใช้งานได้ก็ต่อเมื่อตัวแปรที่คาดการณ์ของคุณเป็นเลขฐานสอง และตัวทำนายทั้งหมดเป็นอิสระ นอกจากนี้ยังถือว่าข้อมูลไม่มีค่าที่ขาดหายไปซึ่งอาจเป็นปัญหาได้

2. การถดถอยเชิงเส้น

การถดถอยเชิงเส้นขึ้นอยู่กับการเรียนรู้ภายใต้การดูแลและการถดถอย มันจำลองค่าการทำนายตามตัวแปรอิสระ ในขั้นต้น เราใช้เพื่อค้นหาความสัมพันธ์ระหว่างการพยากรณ์และตัวแปร

มันทำนายค่าตัวแปรตามตามตัวแปรอิสระเฉพาะ โดยเฉพาะอย่างยิ่ง จะพบความสัมพันธ์เชิงเส้นตรงระหว่างตัวแปรอิสระและตัวแปรตาม เหมาะอย่างยิ่งสำหรับข้อมูลที่คุณสามารถแยกเส้นตรงและมีประสิทธิภาพสูง อย่างไรก็ตาม มีแนวโน้มที่จะใส่มากเกินไปและจมูก นอกจากนี้ ยังอาศัยสมมติฐานที่ว่าตัวแปรอิสระและตัวแปรตามสัมพันธ์กันแบบเส้นตรง

3. ต้นไม้แห่งการตัดสินใจ

โครงสร้างการตัดสินใจเป็นเทคนิคการจำแนกประเภทที่แข็งแกร่งที่สุดในการทำเหมืองข้อมูล เป็นผังงานคล้ายกับโครงสร้างต้นไม้ ในที่นี้ ทุกโหนดภายในหมายถึงการทดสอบตามเงื่อนไข และแต่ละสาขาหมายถึงผลลัพธ์ของการทดสอบ (ไม่ว่าจะเป็นจริงหรือเท็จ) โหนดปลายสุดทุกอันในแผนผังการตัดสินใจจะมีเลเบลของคลาส

คุณสามารถแบ่งข้อมูลออกเป็นคลาสต่างๆ ตามแผนผังการตัดสินใจ มันจะคาดการณ์ว่าจุดข้อมูลใหม่จะเป็นของคลาสใดตามแผนผังการตัดสินใจที่สร้างขึ้น ขอบเขตการทำนายคือเส้นแนวตั้งและแนวนอน

4. ป่าสุ่ม

ตัวแยกประเภทฟอเรสต์แบบสุ่มเหมาะกับแผนผังการตัดสินใจหลายชุดในตัวอย่างย่อยของชุดข้อมูลที่แตกต่างกัน ใช้ค่าเฉลี่ยเพื่อเพิ่มความแม่นยำในการทำนายและจัดการค่าที่มากเกินไป ขนาดตัวอย่างย่อยจะเท่ากับขนาดตัวอย่างอินพุตเสมอ อย่างไรก็ตาม ตัวอย่างจะถูกวาดด้วยการแทนที่

ข้อได้เปรียบที่แปลกประหลาดของตัวแยกประเภทป่าแบบสุ่มคือช่วยลดการจัดวางมากเกินไป นอกจากนี้ ลักษณนามนี้มีความแม่นยำมากกว่าแผนผังการตัดสินใจ อย่างไรก็ตาม มันเป็นอัลกอริธึมที่ช้ากว่ามากสำหรับการทำนายแบบเรียลไทม์และเป็นอัลกอริธึมที่ซับซ้อนมาก ดังนั้นจึงท้าทายมากที่จะนำไปใช้อย่างมีประสิทธิภาพ

5. อ่าวไร้เดียงสา

อัลกอริธึม Naive Bayes ถือว่าทุกคุณลักษณะเป็นอิสระจากกัน และคุณลักษณะทั้งหมดมีส่วนทำให้เกิดผลลัพธ์อย่างเท่าเทียมกัน

สมมติฐานอีกประการหนึ่งที่อัลกอริทึมนี้อาศัยคือคุณลักษณะทั้งหมดมีความสำคัญเท่าเทียมกัน มีแอปพลิเคชั่นมากมายในโลกปัจจุบัน เช่น การกรองสแปมและการจัดประเภทเอกสาร Naive Bayes ต้องการข้อมูลการฝึกอบรมเพียงเล็กน้อยสำหรับการประมาณค่าพารามิเตอร์ที่จำเป็น ยิ่งไปกว่านั้น ตัวแยกประเภท Naive Bayes นั้นเร็วกว่าตัวแยกประเภทที่มีความซับซ้อนและขั้นสูงอื่นๆ อย่างมาก

อย่างไรก็ตาม ตัวจำแนกประเภท Naive Bayes นั้นขึ้นชื่อในเรื่องการประเมินที่ไม่ดี เนื่องจากถือว่าคุณลักษณะทั้งหมดมีความสำคัญเท่าเทียมกัน ซึ่งไม่เป็นความจริงในสถานการณ์จริงส่วนใหญ่

6. รองรับ Vector Machine

อัลกอริธึม Support vector machine หรือที่รู้จักในชื่อ SVM แสดงถึงข้อมูลการฝึกอบรมในพื้นที่ที่แยกออกเป็นหมวดหมู่ตามช่องว่างขนาดใหญ่ จากนั้นจุดข้อมูลใหม่จะถูกแมปลงในพื้นที่เดียวกัน และประเภทจะถูกคาดการณ์ตามด้านข้างของช่องว่างที่ตกลงไป อัลกอริธึมนี้มีประโยชน์อย่างยิ่งในพื้นที่มิติสูงและค่อนข้างมีประสิทธิภาพในหน่วยความจำ เนื่องจากใช้เฉพาะส่วนย่อยของจุดฝึกในฟังก์ชันการตัดสินใจ

อัลกอริธึมนี้ล่าช้าในการประมาณค่าความน่าจะเป็น คุณต้องคำนวณผ่านการตรวจสอบไขว้ห้าเท่า ซึ่งมีราคาแพงมาก

7. K-เพื่อนบ้านที่ใกล้ที่สุด

อัลกอริธึมเพื่อนบ้านที่ใกล้ที่สุด k มีขอบเขตการทำนายที่ไม่เป็นเชิงเส้นเนื่องจากเป็นตัวแยกประเภทที่ไม่ใช่เชิงเส้น มันทำนายระดับของจุดข้อมูลการทดสอบใหม่โดยการค้นหาระดับของเพื่อนบ้านที่ใกล้ที่สุด k คุณต้องเลือก k เพื่อนบ้านที่ใกล้ที่สุดของจุดข้อมูลทดสอบโดยใช้ระยะทางแบบยุคลิด ในเพื่อนบ้านที่ใกล้ที่สุด k คุณต้องนับจำนวนจุดข้อมูลที่มีอยู่ในหมวดหมู่ต่างๆ และคุณจะต้องกำหนดจุดข้อมูลใหม่ให้กับหมวดหมู่ที่มีเพื่อนบ้านมากที่สุด

มันเป็นอัลกอริธึมที่ค่อนข้างแพงเพราะการหาค่าของ k นั้นต้องใช้ทรัพยากรจำนวนมาก นอกจากนี้ ยังต้องคำนวณระยะทางของทุกอินสแตนซ์ไปยังทุกตัวอย่างการฝึก ซึ่งทำให้ต้นทุนการคำนวณเพิ่มขึ้น

การประยุกต์ใช้การจัดประเภทระบบการทำเหมืองข้อมูล

มีตัวอย่างมากมายเกี่ยวกับวิธีที่เราใช้อัลกอริธึมการจำแนกประเภทในชีวิตประจำวันของเรา ต่อไปนี้คือรายการที่พบบ่อยที่สุด:

• นักการตลาดใช้อัลกอริธึมการจัดหมวดหมู่สำหรับการแบ่งกลุ่มผู้ชม พวกเขาจัดกลุ่มผู้ชมเป้าหมายเป็นหมวดหมู่ต่างๆ โดยใช้อัลกอริทึมเหล่านี้เพื่อกำหนดกลยุทธ์ทางการตลาดที่แม่นยำและมีประสิทธิภาพมากขึ้น
• นักอุตุนิยมวิทยาใช้อัลกอริธึมเหล่านี้ในการทำนายสภาพอากาศตามพารามิเตอร์ต่างๆ เช่น ความชื้น อุณหภูมิ ฯลฯ
• ผู้เชี่ยวชาญด้านสาธารณสุขใช้ตัวจำแนกประเภทเพื่อคาดการณ์ความเสี่ยงของโรคต่างๆ และสร้างกลยุทธ์เพื่อลดการแพร่กระจายของโรค
• สถาบันการเงินใช้อัลกอริธึมการจำแนกประเภทเพื่อค้นหาผู้ผิดนัดเพื่อกำหนดว่าใครควรอนุมัติบัตรและเงินกู้ นอกจากนี้ยังช่วยในการตรวจจับการฉ้อโกง

บทสรุป

การจัดประเภทเป็นส่วนที่ได้รับความนิยมมากที่สุดของการทำเหมืองข้อมูล อย่างที่คุณเห็น มันมีแอปพลิเคชั่นมากมายในชีวิตประจำวันของเรา หากคุณสนใจที่จะเรียนรู้เพิ่มเติมเกี่ยวกับการจำแนกประเภทและการทำเหมืองข้อมูล เราขอแนะนำให้ตรวจสอบโปรแกรม Executive PG ของเรา ใน Data Science

เป็นหลักสูตรออนไลน์ 12 เดือนที่มีพันธมิตรจ้างงานมากกว่า 300 ราย โปรแกรมให้ความช่วยเหลือด้านอาชีพโดยเฉพาะ การสนับสนุนนักศึกษาส่วนบุคคล และความเชี่ยวชาญพิเศษที่แตกต่างกัน 6 ด้าน:

• นักวิทยาศาสตร์ข้อมูลทั่วไป
• การเรียนรู้อย่างลึกซึ้ง
• การประมวลผลภาษาธรรมชาติ
• ระบบธุรกิจอัจฉริยะ / การวิเคราะห์ข้อมูล
• การวิเคราะห์ธุรกิจ
• วิศวกรรมข้อมูล